Prism 提供多种相关测试，可对三个或更多组进行比较。您对试验的选择依赖度取决于这些选择：
实验设计
当数据列匹配时，选择重复测量检验。下面是一些本示例：
•您对每个受试者的一个变异性进行了多次测量，可能是在干预前、干预中和干预后。
•招募受试者作为匹配组，根据年龄、种族和疾病严重程度等变量进行匹配。
•多次进行实验室实验，每次都同时进行几种处理。由于您预计实验与实验之间会有变异性，因此您希望在分析数据时将每次实验都视为匹配集。
配对不应基于所比较的变异性。如果您要比较三组人的血压，根据年龄或邮政编码匹配组是可以的，但根据血压匹配组是不可以的。
重复测量一词严格适用于对一个受试者反复进行治疗的情况（上述第一个示例）。另外两个本示例称为随机区组实验（每组受试者称为一个区组，在每个区组内随机分配治疗）。重复测量和随机区组实验的分析方法相同，Prism 总是使用重复测量一词。
如果是完全随机设计，请选择 "无匹配"。
分布假设
许多统计分析都对所分析数据的抽样群体有一定的假设。测试中常见的假设之一就与数据取样群体的分布有关。Prism 提供了三种选择：
1.正态分布（高斯分布）--假设从正态分布中取样。比较各组平均值
2.对数正态性 - 假设从对数正态分布中取样。比较各组的几何均值
3.非参数--不假设数据是从特异性分布中采样的。相反，使用非参数检验。这通常等同于比较组内数据的等级
非参数检验并不基于数据是从高斯分布（或任何其他特异性分布）中采样的假设。这可能会让它们看起来更受欢迎。但是，非参数检验的检验力较低。决定何时使用非参数检验并不简单。
如果没有匹配：假设方差相等（同方差）？
通常方差分析 F 检验的一个基本假设是方差齐性。这意味着每组平均值都是从方差相同的群体中抽样得到的。对于从正态分布中采样的数据，这意味着即使均值不同，群体的标准偏差也相同。对于从对数正态分布中采样的数据，这意味着即使几何均值不同，各群体也具有相同的几何标准偏差。
从 Prism 8 开始，您可以选择是否假设种群方差相等。如果不做假设，Prism 会执行两种不同形式的方差分析，并报告两种结果。 Welch 方差分析 和 Brown-Forsythe 方差分析都 会调整 F 比和自由度的计算，以调整组内方差的异质性。P 值的解读方式与方差分析表相同。
注释
•为什么要使用这些特殊形式的方差分析，而不是使用非参数 Kruskal-Wallis 检验呢？因为虽然 Kruskal-Wallis 检验不对数据采样的分布做任何假设，但它确实假设了分布的离散度或扩散度是相同的。
•作为这些检验值的替代方法，可以考虑对数据进行转换（倒数等），然后用普通方差分析对转换后的值进行分析。
•这种比较均值的布朗-福斯替检验不同于另一种也叫布朗-福斯替的比较方差的检验。
如果是重复测量：假设球形性？
球形性的概念
球形性的概念很难理解。简而言之，它意味着您在两次治疗之间等待的时间足够长，以消除任何治疗效应。如果您的数据不是重复测量数据，或者您选择的是非参数检验，那么这个概念就无关紧要了。
对于每个受试者，用 A 栏中的值减去 B 栏中的值，然后计算出这一系列差异的标准偏差。现在对 A 列与 C 列、B 列与 C 列之间的差异做同样的处理，等等。如果球形假设成立，那么所有这些标准偏差都应该有相似的值，任何差异都是偶然造成的。如果这些标准偏差之间存在较大的系统性差异，则球形性假设不成立。
如何决定是否假设球形性
如果每一行数据都代表一组匹配的观察结果，那么就没有理由怀疑球形性假设。这种设计有时称为随机区组实验设计。
如果每一行数据都代表一个受试者连续接受的处理，那么就属于重复测量实验设计。如果每个受试者的治疗顺序是随机的，那么球形性假设就不太可能成为问题，因为一个受试者先接受 A 治疗，然后接受 B 治疗，最后接受 C 治疗；而另一个受试者先接受 B 治疗，然后接受 A 治疗，最后接受 C 治疗......。但如果所有受试者的治疗顺序相同，最好不要假设球形性。
如果您不确定，我们建议您不要假设球形性。
您的选择对 Prism 计算的影响
如果您选择不假设球度，Prism 将
•在计算重复测量方差分析 P 值时包含 Geisser-Greenhouse 修正。由此得出的 P 值将高于未进行校正时的 P 值。
•通过报告ε来量化球形违背情况。
如果您要求 Prism 假设球形性，但事实上违背了这一假设，那么方差分析的 P 值就会过低。因此，如果您不确定是否要假设球形性，我们建议您选中不假设球形性选项。
